叶子的博客

本节内容主要介绍日志系统，并设计一个实用模板，随时供其他python程序调用，告别使用print的模式。

它的思想是通过一组随机的粒子来代表系统的状态空间，通过不断的重采样和预测校正来逼近真实的状态分布。3. 校正：当机器人接收到传感器数据（比如测量距离）时，我们将这些数据与每个粒子的预测位置进行比较，计算每个粒子的权重。3. 校正：假设机器人传感器测量到的位置为0.5，我们可以计算每个粒子与测量值之间的误差，并将误差作为权重更新的依据。2. 预测：根据机器人的运动模型，对每个粒子进行状态的预测。4. 重采样：根据每个粒子的权重，进行重采样操作，使得具有更高权重的粒子被保留，而具有较低权重的粒子被淘汰。

其中，( x_k ) 是系统在时刻 ( k ) 的状态向量，( u_k ) 是时刻 ( k ) 的控制输入向量，( F_k ) 是状态转移矩阵，( B_k ) 是控制输入矩阵，( w_k ) 是过程噪声。在时刻 ( k )，使用测量值 ( z_k ) 来更新状态估计 ( \hat{x}_k ) 和协方差矩阵 ( P_k )。{k-1} ) 来预测当前时刻 ( k ) 的状态估计 ( \hat{x}_k ) 和协方差矩阵 ( P_k )。其中，( Q_k ) 是过程噪声的协方差矩阵。

本文将详细介绍ROS程序创建和运行过程，含详细程序解读。

opencv warpPerspective透视变换实现原理与过程

Segmentation fault错误记录（持续更新）

python内存回收

总的来说，超时装饰器是一个有效的工具，可以帮助我们处理函数执行时间过长的情况，提高程序的稳定性和可靠性。通过合理使用超时装饰器，我们可以有效地提高程序的鲁棒性，确保程序在合理的时间内完成执行。超时装饰器是一种可以应用于函数或方法的装饰器，它的作用是在函数执行时间超过指定时间阈值时抛出异常，从而中断函数的执行。这种装饰器的使用方式使得我们能够更加灵活地控制函数执行的时间，并在超时时进行适当的处理，例如记录日志、发送警报或执行其他必要的操作。需要在保证程序正常执行的前提下，尽量缩短执行时间。

在使用python多进程（multiprocessing）时，程序可能会报“Ran out of input”错误。从报错结果上来看，一般是传入的数据无法读取。因此，在确定程序没有其它问题（如文件冲突、数据为空等），我们可以改变读取数据的结构，然后在进程内对数据进行重新组装。这种错误可能会在不同电脑上表现不一样，或者说跟环境相关。同样的程序，有的电脑环境能正常运行，有的则会报上述错误。下面将以open3d多进程为例，其报错具体内容如下所示。

Token：文本处理中的魔法单位，你了解吗？

本文将介绍一种基于ChatGPT等大模型快速爬虫提取网页内容的方法。传统的爬虫方法需要花费较大精力分析页面的html元素，而这种方法只需要两步就可以完成。下面将从使用步骤、方法扩展和示例程序三部分进行介绍。

本文介绍了如何使用Python编写程序来查找和移动重复文件。我们首先通过递归遍历两个文件夹获取所有文件的路径，然后使用`filecmp.cmp`函数来比较文件内容是否相同，并使用`shutil.move`函数将重复文件移动到一个新的文件夹中。最后，我们提供了一个使用示例来展示如何调用这些函数。

web.py提供了两种常见的模板使用方法：从文件中加载模板和从字符串中加载模板。您需要使用占位符表示要替换的变量。尽管web.py提供了简单而灵活的模板功能，但对于更复杂的模板需求，建议使用更强大的模板引擎，如Jinja2或Mako。

web.py启动https端口需要ssl证书，如果没有ssl证书，那么可以通过如下方式生成。具体可参考“https://blog.youkuaiyun.com/FinalDragonborn/article/details/79301026”。

huggingface网站提供了大量深度学习预训练模型及其调用方式。本文主要介绍问答模型调用方式，主要是针对问答结果输出完整上下文的问题。其现象在于问题答案为输入的上下文，而不是答案部分。出现该问题主要原因是transformers版本过低。

本文是《》（https://blog.youkuaiyun.com/suiyingy/article/details/130169592）专栏的一部分，所述方法和步骤基本上是通用的，不局限于AIGC大模型深度学习环境。ChatGPT、Stable Diffusion等大模型属于相对较新的模型，所以依赖的Pytorch经常为torch1.12以上版本。相应的CUDA版本则至少为CUDA 11.3，并且显卡驱动对应的CUDA版本号不能小于CUDA库的版本号。下面将以CUDA 11.8驱动安装为例。

GPT3.5接口调用方法主要包括openai安装、api_requestor.py替换、接口调用、示例程序说明四个部分。

OpenAI社区今天凌晨4点多发送的邮件，介绍了ChatGPT官方API的发布。官方介绍文档地址为“”和“ChatGPT(GPT3.5)官方API模型名称为“gpt-3.5-turbo”和“gpt-3.5-turbo-0301”。API调用价格比GPT text-davinci-003模型便宜10倍。调用费用为0.002美元/1000tokens，折合下来差不多0.1元4000~5000字。这个字数包括问题和返回结果字数。

AI赋能创作：探究AIGC技术的价值与未来

一招鉴别真假ChatGPT，并简要介绍ChatGPT、GPT、GPT2和GPT3模型之间的区别和联系

经过分布式部署的ChatGPT应用更加稳定，升级更加灵活。

今天主要是利用ChatGPT官方内测API搭建的一个桌面程序，以方便大家使用，桌面程序可在优快云中直接下载。下载地址为：“”。如有任何疑问，都可在本文下进行留言。或者前往https://devpress.youkuaiyun.com/rdchat进行留言。 ChatGPT官方API目前还在内测当中，OpenAI官网上也没有任何接口介绍和文档。这对于开发和调用来说不怎么方便。但是，比较好的地方在于内测过程中调用是免费的，没有次数限制。此外，API接口调用不需要梯子或代理（使用代理反而可能会报错“Error

在使用transformer 4.0时，报错误提示RuntimeError: Expected tensor for argument #1 'indices' to have scalar type Long;该问题主要时由于tensor的类型导致的，解决方法是在相应报错行的前一行对数据类型进行转换。假设输入数据为x，那么增加行为“x = torch.tensor(x).to(torch.int64)”。

从昨天网上开始一直开着的chatgpt网页突然打不开了，提示1020错误，尝试换了不同代理软件或者代理地点仍然无法解决，也搜了很多资料，比如删除cookie、重启浏览器、更换浏览器等均不起作用。如果后续有解决方案，将在这篇文章更新；如果大家有解决方案，欢迎在文章下方留言。之前介绍的公众号内使用chatgpt方法仍然有效，不需要注册和代理即可使用。可在公众号内直接体验chatgpt，也可以按照之前博文。网站上也有多人反馈该问题，但是仍没有解决方案。下面这个网址是大家反馈的最新内容。

H3DNet数据和源码配置调试过程以及主干网络介绍请参考上一篇博文：【三维目标检测】FCAF3D（一）_Coding的叶子的博客-优快云博客和xxx。本节主要详细介绍H3DNet的图元预测、Refined候选框和图元匹配过程。

ChatGPT聊天机器人最近非常流行，是由OpenAI于本月发布的。花了一点时间注册了一个账号，如有需要帮助注册的可以随时与我交流。注册过程相对有一些复杂。除了常规的聊天对话功能之外，ChatGPT聊天机器具备强大的文本生成能力，例如博客、文章等，甚至是可以实现程序代码的自动生成。下面主要介绍这两个功能的体验。下面内容主要来源于ChatGPT对世界杯历史的介绍。抛给ChatGPT的两个问题分别是：“写一篇2000字关于世界杯历史的文章”和“用pygame编写一个足球游戏程序”。

聚合的作用可类比上文中的直线交点，即聚合空间中的点投票给了同一个目标。如果以顶点参数为做一条直线，即将这些直线变换到参数空间，那么这个定点对应参数空间中的一条直线。如果在参数空间中有两条直线相交于同一个点，那么说明对应的两个定点在同一条直线上。交点处直线越多，则原始空间中处于同一条直线的点的数量越多。位置得票越多，说明投票给这个位置的定点越多，并且这些定点处于同一条直线上。在参数空间中，坐标实际上与直线的斜率和截距一一对应，因此，参数空间中的每一个位置点都对应了原坐标空间中的一条直线。

本文主要介绍python windows编译过程中可能遇到的一些代表性问题，并将在今后开发过程中不断更新和补充。这里主要针对Windows系统，而且通常也是Windows系统出现问题的情况居多。运气好的时候，编译能一次就过；但往往还是会有一些异常情况。python编译主要应用在以下场景：（1）python库安装。（2）py文件转pyd。这里以py转pyd为例。

yolo目标检测数据采用矩形框进行标注，其标注格式为[cls_id xp yp wp hp]，cls_id表示目标所属的类别序号。xp、yp表示目标中心点相对坐标，其中xp等于目标的绝对横坐标除以图像宽度，yp等于目标的绝对纵坐标除以图像高度。wp和hp表示目标的相对宽度和高度，其中wp等于目标的绝对宽度除以图像宽度，hp等于目标的绝对高度除以图像高度。每张图片的标注结果以txt文本文件存储，每一行[cls_id xp yp wp hp]表示一个目标。

opencv直方图均衡包含两种，一种是对全图进行直方图均衡，另一种是对局部进行直方图均衡，也称为自适应直方图均衡。直方图均衡是让图像的像素分布更加均匀，一般可以使图片更亮、解决偏色问题、增加局部细节等。

web.py默认端口为8080端口，但是有时候8080已经被占用了，所以需要自定义端口。另一种方式是按照上述代码的方式，重载web.application类。

python转pyd的主要目的是为了对源码进行加密，通常运行python文件在__pycache__产生的pyc文件也可以作为加密文件。但是，pyc文件比较容易被反编译出源码。采用pyd加密的方式更加安全，不易于被反编译。python文件转pyd格式相当于编译成DLL或so文件，即把文件编译成库，然后供其他函数调用。

假设输入的图像数据为img，标签label组成为classid、x、y、w、h，因此labels维度为Nx5。假设旋转前的坐标和尺寸为x0、y0、w0、h0。x、y、w、h均为归一化后坐标，即已经除以图像自身的宽高。以下操作需要用到numpy矩阵操作和random随机操作。引入随机的概念主要是为了便于进行随机增强，即随机翻转或随机旋转。

Opencv 连通域函数connectedComponentsWithStats输入：image：必须是二值化图像，检测的连通域为白色部分。输出：num_labels：所有连通域的数目labels：图像上每一像素的标记，用数字1、2、3…表示（不同的数字表示不同的连通域）stats：每一个标记的统计信息，是一个5列的矩阵，每一行对应每个连通区域的外接矩形的 x（左上角）、y（左上角）、width（宽度）、height（高度）和面积（点的数量），示例如下： 0 0 720 720 291805。......

python web.py+requests 图片接收与发送。web.py默认端口为8080端口，但是有时候8080已经被占用了，所以需要自定义端口。另一种方式是按照上述代码的方式，重载web.application类。

web.py是python中一个相对容易上手的web服务器搭建工具。web.py默认端口为8080端口，但是有时候8080已经被占用了，所以需要自定义端口。另一种方式是按照上述代码的方式，重载web.application类。

图像数据常用的标注工具是labelme，标注的格式是json。labelme标注结果可视化，是将标注结果绘制到原始图像上，以方便查看标注结果。 由于labelme标注的保存格式为json，所以必须掌握json文件的读取与保存。2 opencv中文路径读写 opencv默认的cv2.imwrite()和cv2.imread()函数是不支持中文路径的。3 矩形rectangle目标可视化 定义线line目标可视化函数为vis_labelme_line

我们在进行算法评估是通常会针对每个样本的算法处理结果进行统计，例如每个样本正确预测数量、漏检数量和误检数量、精度等。特别是，算法验证是比较关注错误识别的样本，把每个样本的预测结果写入excel表格，可以进行快速筛查和定位，并且结果更加直观。 这里会将算法结果保存成.xls格式的excel文件，所需的python库为xlwt。如果没有xlwt库，请使用pip进行安装。 1.1 excel文件创建 excel文件创建分为两步，第一步是定义表格的编码方式，第二步是为表格创建

含数据库连接、表创建、增删改查。查看sqlite数据库的软件推荐使用sqlitestudio，下载地址：。# -*- coding: utf-8 -*-"""乐乐感知学堂公众号@author: https://blog.youkuaiyun.com/suiyingy"""import sqlite3class conndb(): list1=[] def __init__(self): self.conn = sqlite3.connect('testqqs.db') #存在就连

在运行python程序过程中，“No such file or directory” 是个经常容易出现的错误。这个错误比较常见的原因是路径下缺乏相应的文件，或者缺少相应的python库。解决方法主要是在： （1）在路径下添加缺失的文件或目录。 （2）在程序中通过sys.path.append增加文件或目录所在路径。 （3）通过pip安装缺失的库。 但是，以上所述的情况都不能解决本文所说的错误。我们可以看到，提示的确实文件是在tmp文件夹下，说明该文件是